买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜重庆邮电大学申请的专利基于行列式点过程学习的空域资源分配方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114401552B 。

龙图腾网通过国家知识产权局官网在2025-06-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210047952.3，技术领域涉及：H04W72/044；该发明授权基于行列式点过程学习的空域资源分配方法是由席兵;殷波;胡昊南;郑亚楠;姜言;张继良;张治中设计研发完成，并于2022-01-17向国家知识产权局提交的专利申请。

本基于行列式点过程学习的空域资源分配方法在说明书摘要公布了：本发明属于移动通信技术领域，涉及一种基于行列式点过程学习的空域资源分配方法，所述方法应用于NR‑UWi‑Fi共存网络中，包括利用启发式资源分配算法计算得到空域资源分配方案，并将其作为训练集训练行列式点过程学习模型的核矩阵，得到最优学习参数，再利用最优学习模型对待处理的场景参数进行预测，输出对应的空域资源分配方案；并在当前的NR‑UWi‑Fi共存网络中，在基站侧对发送信号进行预编码；本发明可以将复杂的优化问题求解转换成简单的核矩阵的行列式计算，同时解决了计算复杂度高和计算复杂度随网络规模的扩大而呈指数增长的问题，适用于大规模密集部署的NR‑UWi‑Fi共存网络。

本发明授权基于行列式点过程学习的空域资源分配方法在权利要求书中公布了：1.一种基于行列式点过程学习的空域资源分配方法，其特征在于，所述方法应用于NR-UWi-Fi共存网络中，所述方法包括： 基于NR-UWi-Fi共存网络的场景，构建出以最大化吞吐量为优化目标的空域共存机制模型；所述以最大化吞吐量为优化目标的空域共存机制模型表示为： s.t. C1: C2:x∈{0,1},y∈{0,1} 其中，表示处的吞吐量，表示在处的吞吐量，是二值变量，xi表示蜂窝用户是否被调度，yj表示Wi-Fi站点用户是否被干扰抑制，xi＝1表示蜂窝用户被调度，yj＝1表示Wi-Fi站点用户被干扰抑制；al和aw分别表示蜂窝网络和Wi-Fi网络的优先级因子，且al+aw＝1；约束C1表示适用的空域资源数量要少于基站能提供的空间自由度数量，N表示蜂窝用户数量，M表示Wi-Fi用户数量即包括Wi-Fi站点用户数量以及Wi-Fi接入点用户数量，NA表示基站的天线数量；约束C2限制x,y为二值变量，x表示蜂窝用户的二值变量，y表示Wi-Fi站点用户的二值变量，ωk表示Wi-Fi接入点用户被干扰抑制的二值变量，ωk＝1表示Wi-Fi接入点用户被干扰抑制；Wi-Fi接入点用户被干扰抑制的确定过程包括判断Wi-Fi接入点用户是否检测到高于能量检测阈值的基站信号，若高于，则被干扰抑制，否则不被干扰抑制；其中，Wi-Fi接入点用户被干扰抑制的二值变量的计算公式表示为： 其中，Pbs表示基站的传输功率；l表示路径损失计算函数；表示基站到Wi-Fi接入点用户之间的欧几里得距离；表示基站到Wi-Fi接入点用户的小尺度衰落；σ2表示噪声功率；γ表示能量检测阈值； 根据NR-UWi-Fi共存网络的第一场景参数，基于凸优化的启发式算法求解所述优化目标，得到第一空域资源分配方案； 将所述NR-UWi-Fi共存网络的第一场景参数作为训练集数据，将对应的所述第一空域资源分配方案作为训练集标签输入到行列式点过程学习模型中进行训练，并输出核矩阵的最优学习参数；所述行列式点过程学习模型表示为： 其中，θ*表示第一最优学习参数，θ表示第一学习参数，Θ*表示第二最优学习参数，Θ表示第二学习参数；Pθ,ΘYk|Xk表示在θ和Θ对应模型下，输入的场景参数集合Xk下，衡量每一个对应场景下可行的空域资源分配方案的条件概率模型； 表示在场景参数集合Xk下输出空域资源分配方案Yk对应的核矩阵；LXk；θ,Θ表示在场景参数集合Xk下对应的核矩阵，Ik表示在场景参数集合Xk下Wi-Fi接入点用户的干扰信号，K表示第一场景参数集合，ΩX表示第一场景参数集合所对应的所有第一空域资源分配方案集合； 核矩阵的计算表达式为： L＝qθSΘqTθ 其中，L表示核矩阵；qθ表示质量衡量函数；SΘ表示相似性衡量函数的学习模型；θ表示第一学习参数，Θ表示第二学习参数，T表示坐标转置； 质量衡量函数的计算表达式为： qjX；θ＝expθ1+θ2S*+θ3I1+θ4I2+θ5I3 其中，qjX；θ表示以第一学习参数θ为学习目标，场景参数X下在Wi-Fi站点用户处的传输质量的衡量函数；S*表示接收信号，I1,I2,I3表示最大的Wi-Fi接入点用户干扰信号，次大的Wi-Fi接入点用户干扰信号和基站干扰信号，θ1、θ2、θ3、θ4以及θ5分别表示第一学习参数中的不同学习分量； 所述相似性衡量函数为： 其中，Sk,jX；Θ表示以第二学习参数Θ为学习目标，场景参数X下Wi-Fi接入点用户与Wi-Fi站点用户间的相似度衡量函数，gk,jX＝||xtk-xrj||2+||xtj-xrk||2是在第k项和第j项之间的相似性测量，其中xrk和xrj分别表示Wi-Fi接入点用户和Wi-Fi站点用户的位置；xrj和xrk分别表示Wi-Fi接入点用户和Wi-Fi站点用户的位置；j、k∈[1,2,…M]，M表示Wi-Fi用户数量即包括Wi-Fi站点用户数量以及Wi-Fi接入点用户数量； 其中，行列式点过程学习模型的训练过程包括： 根据NR-UWi-Fi共存网络的场景参数计算出核矩阵； 根据行列式点过程学习模型，根据第一场景参数和对应的所述第一空域资源分配方案计算出所述核矩阵的最优学习参数； 将所述最优学习参数带入核矩阵中，对该核矩阵进行特征分解； 遍历每一个特征值和特征向量，通过概率抽样的方式生成第二空域资源分配方案； 将NR-UWi-Fi共存网络的第三场景参数输入到最优学习参数对应的模型，输出第三空域资源分配方案； 利用第三空域资源分配方案的结果，在当前的NR-UWi-Fi共存网络中，在基站侧对发送信号进行预编码。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。